Api.Airforce
API REFERENCE

Audio

Zamiana tekstu na mowę, zamiana mowy na tekst, muzyka, efekty dźwiękowe, zmiana głosu, dubbing i klonowanie głosu — jeden klucz API, każdy dostawca.

Jedna powierzchnia audio obejmuje text-to-speech, transcription, muzykę, efekty dźwiękowe, dubbing, zmianę głosu oraz klonowanie głosu. Główne endpointy są zgodne z OpenAI, podczas gdy bogatsze dodatki — voice settings, speaker diarization, dubbing — są akceptowane wszędzie tam, gdzie obsługuje je dostawca źródłowy.

Najpierw wylistuj dostępne głosy; sklonowane głosy, które utworzysz, pojawiają się na tej samej liście i są używane w ten sam sposób.

Endpoints in this section: /v1/audio/speech, /music, /sound-effects, /transcriptions, /audio-isolation, /voice-changer, /dubbing, /voices, plus /v1/voices/* for cloning.

Zamiana tekstu na mowę

Syntezuj mowę z tekstu. Zwraca nieprzetworzone bajty audio z pasującym typem zawartości (np. audio/mpeg). Formaty PCM i µ-law zawierają nagłówek WAV, dzięki czemu można je odtwarzać w dowolnej przeglądarce.

POSThttps://api.airforce/v1/audio/speech

modele TTS

· live
ParameterTypeRequiredDescription
modelstringRequiredTTS model ID. See /v1/models for IDs with input_modalities containing "text" and output_modalities containing "audio".
inputstringRequiredText to synthesise. Long inputs are chunked automatically.
voicestringRequiredVoice ID. Use GET /v1/audio/voices to list options. Cloned voices appear here too.
response_formatstringOptional"mp3" (default), "mp3_44100_128", "mp3_44100_192", "pcm_22050", "pcm_24000", "pcm_44100", "ulaw_8000".
speedfloatOptional0.25 – 4.0. OpenAI-compatible. Some upstream providers ignore this.
voice_settingsobjectOptionalElevenLabs-shape: { stability: 0–1, similarity_boost: 0–1, style: 0–1, use_speaker_boost: bool }.
language_codestringOptionalISO-639-1 hint, e.g. "de", "en", "ja". Improves prosody for multilingual models.
seedintegerOptionalReproducibility seed where supported.

Przykład

curl https://api.airforce/v1/audio/speech \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  --output speech.mp3 \
  -d '{
    "model": "elevenlabs-multilingual-v2",
    "input": "Willkommen bei Airforce.",
    "voice": "21m00Tcm4TlvDq8ikWAM",
    "response_format": "mp3_44100_128",
    "voice_settings": {"stability": 0.6, "similarity_boost": 0.8}
  }'

Lista głosów

Zwraca każdy głos, który możesz przekazać jako parametr „głos” w połączeniach TTS / lektorskich / audiobookach. Sklonowane głosy również są tutaj zwracane, gdy ich status jest aktywny.

GEThttps://api.airforce/v1/audio/voices
curl https://api.airforce/v1/audio/voices \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY"

Kształt odpowiedzi

ParameterTypeRequiredDescription
voices[]arrayOptionalList of voice descriptors.
voices[].voice_idstringOptionalProvider-native voice identifier — the field is voice_id (not id). Pass this value as "voice".
voices[].namestringOptionalHuman-readable name.
voices[].descriptionstringOptionalShort description, when the upstream exposes one.
voices[].categorystringOptional"premade" | "cloned" | "professional".
voices[].preview_urlstringOptionalShort audio sample, when the upstream exposes one.
voices[].labelsobjectOptionalFree-form metadata: gender, language, accent, age, use case.
livebooleanOptionaltrue when the catalog came from a live upstream call; false when served from the built-in premade fallback.
{
  "voices": [
    {
      "voice_id": "CwhRBWXzGAHq8TQ4Fs17",
      "name": "Roger - Laid-Back, Casual, Resonant",
      "description": "Easy going and perfect for casual conversations.",
      "preview_url": "https://.../58ee3ff5.mp3",
      "category": "premade",
      "labels": {"accent": "american", "gender": "male", "language": "en", "use_case": "conversational"}
    }
  ],
  "live": true
}

Generowanie muzyki

Generuj pełne utwory muzyczne z podpowiedzi tekstowej. Zwraca dźwięk binarny.

POSThttps://api.airforce/v1/audio/music

Ten endpoint obsługuje natywne modele muzyczne (np. music-v1). Modele Suno (suno-*) nie są tutaj dostępne i zwracają provider_not_supported — wywołaj je zamiast tego przez endpoint /v1/images/generations (zobacz dokumentację Media).

ParameterTypeRequiredDescription
modelstringRequiredMusic model ID, e.g. "music-v1".
promptstringRequiredStyle / mood / structure description.
duration_secondsintegerOptionalTrack length. Range depends on the model (typically 15–120 s).
response_formatstringOptional"mp3" (default) or provider-native.
instrumentalbooleanOptionalWhen true, suppresses vocals.
stylestringOptionalOptional genre tag list, e.g. "EDM, bass, dark".
curl https://api.airforce/v1/audio/music \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  --output track.mp3 \
  -d '{
    "model": "music-v1",
    "prompt": "Lofi hip-hop beat with soft piano and rain",
    "duration_seconds": 60,
    "instrumental": true
  }'

Efekty dźwiękowe

Krótkie efekty dźwiękowe z podpowiedzi tekstowej. Taki sam kształt jak muzyka, tylko krótszy czas trwania.

POSThttps://api.airforce/v1/audio/sound-effects
ParameterTypeRequiredDescription
modelstringRequiredSFX model ID.
promptstringRequiredEffect description, e.g. "thunder rumble fading into rain".
duration_secondsintegerOptionalLength, typically 0.5–22 s.
response_formatstringOptional"mp3" (default).
curl https://api.airforce/v1/audio/sound-effects \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  --output thunder.mp3 \
  -d '{
    "model": "sfx-v1",
    "prompt": "Distant thunder rolling, then rain",
    "duration_seconds": 8
  }'

Transkrypcje (zamiana mowy na tekst)

Przesyłanie wieloczęściowe pliku audio. Zwraca transkrybowany tekst.

POSThttps://api.airforce/v1/audio/transcriptions

Modele transkrypcji

· live
ParameterTypeRequiredDescription
modelstringRequiredTranscription model ID. See the live list below for valid IDs.
filebinaryRequiredAudio file. Supports mp3, wav, m4a, flac, ogg, webm.
language_codestringOptionalISO-639-1 language hint (also accepted as "language"). Auto-detected when omitted.
diarizebooleanOptionalSeparate speakers. When true, each word carries a speaker_id.
num_speakersintegerOptionalExpected speaker count, used together with diarize.
tag_audio_eventsbooleanOptionalMark non-speech events (laughter, silence, music) in the output.
timestamps_granularitystringOptional"word" (default) or "character".
additional_formatsstringOptionalRequest extra rendered outputs (e.g. srt / vtt) alongside the JSON.
curl https://api.airforce/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -F "[email protected]" \
  -F "model=elevenlabs-scribe" \
  -F "language_code=de" \
  -F "diarize=true"

Kształt odpowiedzi

{
  "language_code": "deu",
  "language_probability": 0.98,
  "text": "Willkommen zum Meeting...",
  "words": [
    {"text": "Willkommen", "start": 0.0, "end": 0.62, "type": "word", "logprob": -0.08, "speaker_id": "speaker_0"},
    {"text": " ", "start": 0.62, "end": 0.62, "type": "spacing", "logprob": 0.0}
  ],
  "audio_duration_secs": 412.5,
  "transcription_id": "tx_01HXY..."
}

Odpowiedź ma natywny kształt dostawcy źródłowego (ElevenLabs Scribe), a nie OpenAI Whisper: tokeny są zwracane jako płaska tablica words[] (każdy z polem type o wartości word/spacing oraz logprob), a nie segments[]. Czas trwania to audio_duration_secs, a language_code jest w formacie ISO-639-3 (np. eng, deu). Pole speaker_id dla poszczególnych słów jest obecne tylko wtedy, gdy przekażesz diarize=true.


Izolacja dźwięku

Usuń szum tła z klipu, zachowując głos pierwszego planu. Przesyłanie wieloczęściowe zwraca dźwięk.

POSThttps://api.airforce/v1/audio/audio-isolation
ParameterTypeRequiredDescription
modelstringRequiredIsolation model ID.
filebinaryRequiredInput audio.
curl https://api.airforce/v1/audio/audio-isolation \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -F "model=isolation-v1" \
  -F "[email protected]" \
  --output clean.mp3

Zmieniacz głosu (zamiana mowy na mowę)

Weź mowę wejściową i wyrenderuj ją ponownie innym głosem, zachowując czas i fleksję.

POSThttps://api.airforce/v1/audio/voice-changer
ParameterTypeRequiredDescription
modelstringRequiredVoice-change model ID.
voicestringRequiredTarget voice ID. Same catalog as TTS.
filebinaryRequiredInput audio.
voice_settingsobjectOptionalOptional ElevenLabs-shape settings (stability, similarity_boost, …).
curl https://api.airforce/v1/audio/voice-changer \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -F "model=voice-changer-v1" \
  -F "voice=21m00Tcm4TlvDq8ikWAM" \
  -F "[email protected]" \
  --output transformed.mp3

Dubbingowanie

Asynchroniczny dubbing na jeden język docelowy. Natychmiast zwraca dubbing_id; odpytuj status, aż przyjmie wartość "dubbed", a następnie pobierz zdubbingowane audio dla tego języka.

1. Create job

POSThttps://api.airforce/v1/audio/dubbing
ParameterTypeRequiredDescription
modelstringRequiredDubbing model ID.
filebinaryRequiredSource audio or video (mp3, wav, m4a, mp4 — audio is extracted automatically). Alternatively pass source_url.
target_langstringRequiredTarget language code (ISO-639-1). One language per job — repeating the field does not add languages.
source_langstringOptionalSource language. "auto" or omit for auto-detect.
num_speakersintegerOptionalHint for diarization. Auto when omitted.
drop_background_audiobooleanOptionalRemove background music / noise from the dub.
watermarkbooleanOptionalAdd an audible watermark to the output.
curl https://api.airforce/v1/audio/dubbing \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -F "model=dubbing-v1" \
  -F "[email protected]" \
  -F "target_lang=de" \
  -F "source_lang=en"
{
  "dubbing_id": "abc123def456",
  "expected_duration_sec": 42.5
}

2. Poll status

GEThttps://api.airforce/v1/audio/dubbing/:dubbing_id

Status jest przekazywany od dostawcy dosłownie. status ma wartość "dubbing" w trakcie działania i "dubbed" po zakończeniu (nie "completed"). Języki znajdują się w target_languages (nie w available_languages), a pole progress nie istnieje.

{
  "dubbing_id": "abc123def456",
  "status": "dubbed",
  "source_language": "en",
  "target_languages": ["de"],
  "media_metadata": {"duration": 42.5, "content_type": "video/mp4"},
  "name": "english.mp4",
  "created_at": "2026-05-06T22:30:00Z",
  "editable": false,
  "error": null
}

3. Download per language

GEThttps://api.airforce/v1/audio/dubbing/:dubbing_id/audio/:lang
curl https://api.airforce/v1/audio/dubbing/abc123def456/audio/de \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  --output german.mp3

Klonowanie głosu

Klonuj głos z krótkich próbek audio i używaj go ponownie w każdym punkcie końcowym mowy. Klonowanie głosu wymaga wyraźnej zgody — pobierz aktualny tekst zgody, zaszyfruj go i prześlij skrót wraz ze swoimi próbkami.

1. Fetch consent text

GEThttps://api.airforce/v1/voices/consent-text
{
  "text": "I confirm that the voice samples I am uploading are either my own voice or a voice I have explicit permission to clone…",
  "hash": "9f4b0c8d2e…"
}

2. Create the clone

POSThttps://api.airforce/v1/voices/clone
ParameterTypeRequiredDescription
namestringRequiredPublic voice name shown in the library.
descriptionstringOptionalOptional free-text description.
consent_hashstringRequiredSHA-256 of the consent paragraph. Fetch the current text via GET /v1/voices/consent-text and pass its hash field.
filesbinaryRequired1–25 audio samples. Repeat the form field per file. Total ≤ 200 MB. 30 s – 3 min per clip works best.
curl https://api.airforce/v1/voices/clone \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY" \
  -F "name=My voice" \
  -F "description=Calm, conversational" \
  -F "consent_hash=9f4b0c8d2e..." \
  -F "[email protected]" \
  -F "[email protected]"
{
  "voice_id": "voice_01HXY...",
  "name": "My voice",
  "status": "active",
  "created_at": "2026-05-06T22:30:00Z"
}

Uwaga na nazwy pól: odpowiedź tworzenia zwraca nowy głos jako voice_id, natomiast GET /v1/voices/library wymienia klony pod provider_voice_id. Oba zawierają ten sam identyfikator — wartość, którą przekazujesz jako voice.

3. List your library

GEThttps://api.airforce/v1/voices/library
curl https://api.airforce/v1/voices/library \
  -H "Authorization: Bearer sk-air-YOUR_API_KEY"
ParameterTypeRequiredDescription
voices[].provider_voice_idstringOptionalPass as "voice" on TTS / voice-changer endpoints.
voices[].statusstringOptional"active" | "errored" | "deleting".
voices[].providerstringOptionalUpstream that hosts the clone.
voices[].last_errorstringOptionalSet when status is "errored".

4. Update / delete

PATCHhttps://api.airforce/v1/voices/clone/:id
DELETEhttps://api.airforce/v1/voices/clone/:id

PATCH accepts name and description in a JSON body. DELETE removes the voice both locally and at the upstream provider.


Notatki

  • Odpowiedzi audio są zwracane jako surowe bajty z właściwym Content-Type. Formaty PCM / µ-law są opakowane w minimalny nagłówek WAV, dzięki czemu nadają się do odtwarzania w przeglądarce bez zmian.
  • Endpointy multipart (transkrypcje, izolacja, voice-changer, dubbing, klonowanie) akceptują do 200 MB na żądanie.
  • Identyfikatory głosów działają między dostawcami: sklonowany głos ElevenLabs można przekazać bezpośrednio do /v1/audio/voice-changer.
  • Koszt jest naliczany za znak (TTS), za sekundę (music / SFX / dubbing / voice-changer) lub za minutę audio (transkrypcja) i jest odejmowany z Twojego salda. Endpointy audio nie wysyłają nagłówka odpowiedzi X-Cost-Cents — śledź wydatki w logu użycia w swoim panelu.